最新文章专题视频专题问答1问答10问答100问答1000问答2000关键字专题1关键字专题50关键字专题500关键字专题1500TAG最新视频文章推荐1 推荐3 推荐5 推荐7 推荐9 推荐11 推荐13 推荐15 推荐17 推荐19 推荐21 推荐23 推荐25 推荐27 推荐29 推荐31 推荐33 推荐35 推荐37视频文章20视频文章30视频文章40视频文章50视频文章60 视频文章70视频文章80视频文章90视频文章100视频文章120视频文章140 视频2关键字专题关键字专题tag2tag3文章专题文章专题2文章索引1文章索引2文章索引3文章索引4文章索引5123456789101112131415文章专题3
当前位置: 首页 - 科技 - 知识百科 - 正文

爬虫利器Puppeteer实战

来源:动视网 责编:小采 时间:2020-11-27 22:02:12
文档

爬虫利器Puppeteer实战

爬虫利器Puppeteer实战:Puppeteer 介绍 Puppeteer 翻译是操纵木偶的人,利用这个工具,我们能做一个操纵页面的人。 Puppeteer 是一个 Nodejs 的库,支持调用 Chrome的API来操纵Web ,相比较 Selenium 或是 PhantomJs ,它最大的特点就是它的操作 Dom 可以完全在内存中进
推荐度:
导读爬虫利器Puppeteer实战:Puppeteer 介绍 Puppeteer 翻译是操纵木偶的人,利用这个工具,我们能做一个操纵页面的人。 Puppeteer 是一个 Nodejs 的库,支持调用 Chrome的API来操纵Web ,相比较 Selenium 或是 PhantomJs ,它最大的特点就是它的操作 Dom 可以完全在内存中进


Puppeteer 介绍

Puppeteer 翻译是操纵木偶的人,利用这个工具,我们能做一个操纵页面的人。 Puppeteer 是一个 Nodejs 的库,支持调用 Chrome的API来操纵Web ,相比较 Selenium 或是 PhantomJs ,它最大的特点就是它的操作 Dom 可以完全在内存中进行模拟既在 V8 引擎中处理而不打开浏览器,而且关键是这个是Chrome团队在维护,会拥有更好的兼容性和前景。

Puppeteer 用处

  • 利用网页生成PDF、图片
  • 爬取SPA应用,并生成预渲染内容(即“SSR” 服务端渲染)
  • 可以从网站抓取内容
  • 自动化表单提交、UI测试、键盘输入等
  • 帮你创建一个最新的自动化测试环境(chrome),可以直接在此运行测试用例6.捕获站点的时间线,以便追踪你的网站,帮助分析网站性能问题
  • Puppeteer 使用

    安装 Puppeteer

    由于封网,直接下载 Chromium 会失败,可以先阻止下载 Chromium 然后再手动下载它

    # 安装命令
    npm i puppeteer --save
    
    # 错误信息
    ERROR: Failed to download Chromium r515411! Set "PUPPETEER_SKIP_CHROMIUM_DOWNLOAD" env variable to skip download.
    
    # 设置环境变量跳过下载 Chromium
    set PUPPETEER_SKIP_CHROMIUM_DOWNLOAD=1 
    
    # 或者可以这样干,只下载模块而不build
    npm i --save puppeteer --ignore-scripts
    
    # 成功安装模块
    + puppeteer@0.13.0
    added 1 package in 1.77s

    手动下载 Chromium,下载完后将压缩包解压,会有个 Chromium.app,将其放在你喜欢的目录下,例如 /Users/huqiyang/Documents/project/z/chromium/Chromium.app。正常安装包后 Chromium.app 会在 .local-chromium

    Tip:下载 Chromium 失败解决办法

    更换国内Chromium源

    PUPPETEER_DOWNLOAD_HOST=https://storage.googleapis.com.cnpmjs.org
    npm i puppeteer

    或者用 cnpm 安装

    npm install -g cnpm --registry=https://registry.npm.taobao.org
    cnpm i puppeteer

    点击查阅 Puppeteer  API

    初试 Puppeteer,截个图吧

    知识点

  • puppeteer.launch 启动浏览器实例
  • browser.newPage()  创建一个新页面
  • page.goto 进入指定网页
  • page.screenshot 截图
  • const puppeteer = require('puppeteer');
    
    (async () => {
     const browser = await (puppeteer.launch({
     // 若是手动下载的chromium需要指定chromium地址, 默认引用地址为 /项目目录/node_modules/puppeteer/.local-chromium/
     executablePath: '/Users/huqiyang/Documents/project/z/chromium/Chromium.app/Contents/MacOS/Chromium',
     //设置超时时间
     timeout: 15000,
     //如果是访问https页面 此属性会忽略https错误
     ignoreHTTPSErrors: true,
     // 打开开发者工具, 当此值为true时, headless总为false
     devtools: false,
     // 关闭headless模式, 不会打开浏览器
     headless: false
     }));
     const page = await browser.newPage();
     await page.goto('https://www.jianshu.com/u/40909ea33e50');
     await page.screenshot({
     path: 'jianshu.png',
     type: 'png',
     // quality: 100, 只对jpg有效
     fullPage: true,
     // 指定区域截图,clip和fullPage两者只能设置一个
     // clip: {
     // x: 0,
     // y: 0,
     // width: 1000,
     // height: 40
     // }
     });
     browser.close();
    })();
    
    

    运行结果 

    进阶,获取网易云音乐的歌词和评论

    网易云音乐的API经过AES和RSA算法加密,需要携带加密的信息通过POST方式请求才能获取到数据。但 Puppeteer 出现后,这些都不重要了,只要它页面上显示了,通过 Puppeteer 都能获取到该元素。

    知识点

  • page.type 获取输入框焦点并输入文字
  • page.keyboard.press 模拟键盘按下某个按键,目前mac上组合键无效为已知bug
  • page.waitFor 页面等待,可以是时间、某个元素、某个函数
  • page.frames() 获取当前页面所有的 iframe,然后根据 iframe 的名字精确获取某个想要的 iframe
  • iframe.$('.srchsongst') 获取 iframe 中的某个元素
  • iframe.evaluate() 在浏览器中执行函数,相当于在控制台中执行函数,返回一个 Promise
  • Array.from 将类数组对象转化为对象
  • page.click() 点击一个元素
  • iframe.$eval() 相当于在 iframe 中运行 document.queryselector 获取指定元素,并将其作为第一个参数传递
  • iframe.$$eval 相当于在 iframe 中运行 document.querySelectorAll 获取指定元素数组,并将其作为第一个参数传递
  • const fs = require('fs');
    const puppeteer = require('puppeteer');
    
    (async () => {
     const browser = await (puppeteer.launch({ executablePath: '/Users/huqiyang/Documents/project/z/chromium/Chromium.app/Contents/MacOS/Chromium', headless: false }));
     const page = await browser.newPage();
     // 进入页面
     await page.goto('https://music.163.com/#');
    
     // 点击搜索框拟人输入 鬼才会想起
     const musicName = '鬼才会想';
     await page.type('.txt.j-flag', musicName, {delay: 0});
    
     // 回车
     await page.keyboard.press('Enter');
    
     // 获取歌曲列表的 iframe
     await page.waitFor(2000);
     let iframe = await page.frames().find(f => f.name() === 'contentFrame');
     const SONG_LS_SELECTOR = await iframe.$('.srchsongst');
    
     // 获取歌曲 鬼才会想起 的地址
     const selectedSongHref = await iframe.evaluate(e => {
     const songList = Array.from(e.childNodes);
     const idx = songList.findIndex(v => v.childNodes[1].innerText.replace(/\s/g, '') === '鬼才会想起');
     return songList[idx].childNodes[1].firstChild.firstChild.firstChild.href;
     }, SONG_LS_SELECTOR);
    
     // 进入歌曲页面
     await page.goto(selectedSongHref);
    
     // 获取歌曲页面嵌套的 iframe
     await page.waitFor(2000);
     iframe = await page.frames().find(f => f.name() === 'contentFrame');
    
     // 点击 展开按钮
     const unfoldButton = await iframe.$('#flag_ctrl');
     await unfoldButton.click();
    
     // 获取歌词
     const LYRIC_SELECTOR = await iframe.$('#lyric-content');
     const lyricCtn = await iframe.evaluate(e => {
     return e.innerText;
     }, LYRIC_SELECTOR);
    
     console.log(lyricCtn);
    
     // 截图
     await page.screenshot({
     path: '歌曲.png',
     fullPage: true,
     });
    
     // 写入文件
     let writerStream = fs.createWriteStream('歌词.txt');
     writerStream.write(lyricCtn, 'UTF8');
     writerStream.end();
    
     // 获取评论数量
     const commentCount = await iframe.$eval('.sub.s-fc3', e => e.innerText);
     console.log(commentCount);
    
     // 获取评论
     const commentList = await iframe.$$eval('.itm', elements => {
     const ctn = elements.map(v => {
     return v.innerText.replace(/\s/g, '');
     });
     return ctn;
     });
     console.log(commentList);
    })();

    运行结果

    高级爬虫

    爬取SPA应用,并生成预渲染内容(即“SSR” 服务端渲染),通俗讲就是在页面上显示的内容我们都能获取到。下面我们就通过爬取 瓜子二手车直卖网 的车辆信息来认识它。

    首先通过 axios 来试试

    const axios = require('axios');
    const useAxios = () => {
     axios.get('https://www.guazi.com/hz/buy/')
     .then(((result) => {
     console.log(result.data);
     }))
     .catch((err) => {
     console.log(err);
     });
    };

    结果它返回给我这个玩意,这显然不是我要的内容

    通过 Puppeteer 爬取

    const fs = require('fs');
    const puppeteer = require('puppeteer');
    
    (async () => {
     const browser = await (puppeteer.launch({ executablePath: '/Users/huqiyang/Documents/project/z/chromium/Chromium.app/Contents/MacOS/Chromium', headless: true }));
     const page = await browser.newPage();
    
     // 进入页面
     await page.goto('https://www.guazi.com/hz/buy/');
    
     // 获取页面标题
     let title = await page.title();
     console.log(title);
    
     // 获取汽车品牌
     const BRANDS_INFO_SELECTOR = '.dd-all.clearfix.js-brand.js-option-hid-info';
     const brands = await page.evaluate(sel => {
     const ulList = Array.from($(sel).find('ul li p a'));
     const ctn = ulList.map(v => {
     return v.innerText.replace(/\s/g, '');
     });
     return ctn;
     }, BRANDS_INFO_SELECTOR);
     console.log('汽车品牌: ', JSON.stringify(brands));
     let writerStream = fs.createWriteStream('car_brands.json');
     writerStream.write(JSON.stringify(brands, undefined, 2), 'UTF8');
     writerStream.end();
     // await bodyHandle.dispose();
    
     // 获取车源列表
     const CAR_LIST_SELECTOR = 'ul.carlist';
     const carList = await page.evaluate((sel) => {
     const catBoxs = Array.from($(sel).find('li a'));
     const ctn = catBoxs.map(v => {
     const title = $(v).find('h2.t').text();
     const subTitle = $(v).find('div.t-i').text().split('|');
     return {
     title: title,
     year: subTitle[0],
     milemeter: subTitle[1]
     };
     });
     return ctn;
     }, CAR_LIST_SELECTOR);
    
     console.log(`总共${carList.length}辆汽车数据: `, JSON.stringify(carList, undefined, 2));
    
     // 将车辆信息写入文件
     writerStream = fs.createWriteStream('car_info_list.json');
     writerStream.write(JSON.stringify(carList, undefined, 2), 'UTF8');
     writerStream.end();
    
     browser.close();
    })();

    运行结果

    文档

    爬虫利器Puppeteer实战

    爬虫利器Puppeteer实战:Puppeteer 介绍 Puppeteer 翻译是操纵木偶的人,利用这个工具,我们能做一个操纵页面的人。 Puppeteer 是一个 Nodejs 的库,支持调用 Chrome的API来操纵Web ,相比较 Selenium 或是 PhantomJs ,它最大的特点就是它的操作 Dom 可以完全在内存中进
    推荐度:
    • 热门焦点

    最新推荐

    猜你喜欢

    热门推荐

    专题
    Top